arXiv:图神经网络实现镍纳米催化剂水解离吸附免DFT高通量筛选,能量误差仅0.031eV
11月16日提交至arXiv的材料科学论文提出无吸附质表示的图神经网络框架,仅以裸镍纳米团簇与表面几何为输入预测OH*+H*吸附能与结合位点稳定性,验证集平均绝对误差0.031eV,并可迁移至Ni55/Ni91/Ni130等未见团簇。
共 4 篇
11月16日提交至arXiv的材料科学论文提出无吸附质表示的图神经网络框架,仅以裸镍纳米团簇与表面几何为输入预测OH*+H*吸附能与结合位点稳定性,验证集平均绝对误差0.031eV,并可迁移至Ni55/Ni91/Ni130等未见团簇。
芝加哥大学Juan de Pablo团队等在arXiv发布HiPoly框架,基于G2RINS表示构建三层级图架构,统一编码聚合物的随机单体间连接、组成与序列等多尺度层级结构,实现聚合物性能预测与生成式设计。聚合物跨能级层级结构长期难以被AI统一表征,该框架面向能源、健康与交通材料开发。
美国洛斯阿拉莫斯国家实验室等机构研究者提出差分学习方法预测含能材料热稳定性:不预测绝对分解温度而训练消息传递神经网络预测分子对之间的相对差异,可降低对实验室间系统实验误差的敏感度,热稳定性排序准确率超85%,优于传统回归;键解离焓被识别为排序关键决定因素。
日本研究者在arXiv发表图神经网络代理模型,可将含氦泡与晶界的钨原子构型直接映射为任意温度下的氢扩散系数与热导率完整3×3张量,各向异性由旋转等变张量池化层捕捉。635个微结构的分子动力学标签训练后,模型替代了每构型数小时的MD模拟,服务于聚变堆面向等离子体材料评估。